Vorhersage von Brustkrebs mithilfe von Shapley-Werten und Spieltheorie in einer föderierten Lernumgebung

Brustkrebs ist ein kritisches Gesundheitsproblem, das das Wohlbefinden von Frauen beeinträchtigt. Brustkrebs gehört zu den häufigsten Ursachen für den Anstieg der Sterblichkeitsrate von Frauen weltweit. Die frühzeitige Erkennung von Brustkrebs kann bis zu einem gewissen Grad die Zahl der Todesfälle verringern und auch die Behandlungsergebnisse sowie die Überlebensraten der Patienten verbessern. Traditionelle Ansätze des maschinellen Lernens (ML) und des tiefen Lernens (DL) haben sich als erfolgreicher bei der Vorhersage von Brustkrebs erwiesen. Im Hinblick auf Datenschutz und frühzeitige Erkennung bietet föderiertes Lernen (FL), ein dezentrales ML-Verfahren, eine vielversprechende Lösung zum Training von prädiktiven Modellen auf verteilten Gesundheitsdaten, während Datenschutz und Sicherheit gewährleistet sind. In diesem Papier wird ein neuartiges Rahmenwerk vorgeschlagen, das die Vorteile der Integration von Shapley-Werten und Konzepten der Spieltheorie mit FL zur Vorhersage von Brustkrebs kombiniert. Das Rahmenwerk verwendet Shapley-Werte zur Merkmalsauswahl aus 30 Merkmalen des Wisconsin Diagnostic Breast Cancer (WDBC) Datensatzes aus dem Machine Learning Repository der University of California Irvine (UCI ML). Das Rahmenwerk behandelt auch das Problem von schlecht abschneidenden Klienten, indem ein Auszahlungsmechanismus basierend auf der individuellen Genauigkeit der Klienten eingeführt wird. Klienten mit höherer Genauigkeit erhalten größeren Einfluss im Modellaggregationsprozess, fördern den Wettbewerb unter den Klienten und verbessern die Gesamtleistung des Modells. Unser Rahmenwerk erweist sich als vielversprechend, indem es eine Vorhersagegenauigkeit von 94,47 % in der FL-Umgebung erzielt. Der vorgeschlagene Ansatz bietet eine datenschutzfreundliche Lösung für die Vorhersage von Brustkrebs in einer FL-Umgebung, indem er Shapley-Werte und Spieltheorie kombiniert. Die Ergebnisse dieser Studie können zur Entwicklung von genaueren und robusteren Vorhersagemodellen für Brustkrebs beitragen, was zu verbesserten Patientenergebnissen und Entscheidungen im Gesundheitswesen führt.